磁気共鳴画像法（MRI）の核心的な課題は、高速化と画像品質の間にあるトレードオフである。画像再構成とスーパーレゾリューションは、MRIにおいて極めて重要な技術である。従来の手法はこれらのタスクを別々に処理する設計となっており、両者の相関関係を無視している。本研究では、MRI再構成とスーパーレゾリューションを統合的に処理するエンドツーエンドのタスク変換ネットワーク（T²Net）を提案する。本手法により、複数のタスク間で特徴表現を共有・伝達可能となり、高度にアンダーサンプリングされ劣化したMRIデータから、高品質かつスーパーレゾリューション化され、運動アーチファクトのない画像を生成することが可能となる。本フレームワークは再構成とスーパーレゾリューションの二つのサブブランチに分かれており、それぞれの特徴はクエリとキーとして表現される。特に、両タスク間での統合的特徴学習を促進し、正確なタスク情報を効果的に転移する。まず、二つの独立したCNNブランチを用いてタスク固有の特徴を抽出する。その後、タスク変換モジュールを設計し、二つのタスク間の関連性を埋め込み・統合する。実験結果から、本多タスクモデルが最先端の逐次的手法を、定量的・定性的に大幅に上回ることが示された。